总结以上案例的方法如下：

需要首先明确待量化的内容，找出核心问题；

把一个笼统的问题层层分解、剥离，并对其做出清晰的定义；

使用适合的量化方法获得对决策有价值的信息。

九、（这一段大部分来自某基百科。）

费米曾说：“我只用一个系数2就可以将一个物理问题推导数页。有时那些物理学家要花整整一年才能把方程的一个系数求出来，而我对（求系数）这件事并不是那么感兴趣。”

“（费米）总是能规避复杂、繁琐的过程并找到最为简洁、直接的方法。”

费米解决物理问题的能力很大程度上是因为他的本性驱使他规避完美主义，而去追求实际结果。他厌恶烦杂的理论。尽管掌握高超的数学技巧，但在能用更为简单的方法处理问题时他都不会去使用这些技巧。他以能快速得到较为准确的答案著称。

后来，这种快速得出近似解的方法被人们称作“费米方法”：

在极短时间内，以相关数字计算乍看之下摸不着头绪的物理量。

后来延伸为只要透过某种推论的逻辑（即使看上去已知条件极为匮乏），就可在短时间内算出正确答案的近似值。

用这种方法，我们可以估算出美国有多少加油站，日本有多少电线杆，等等。

十、把费米方法倒过来：如何完成一个目标？

例如，一个城市如何养活50个调音师？

李开复举了谷歌的例子：

谷歌有套机制叫做OKR（强调KeyResult关键结果必须服从Objective目标），包括：

1、公司愿景；

2、迈向这个愿景，每年要达到的目标；

3、量化该目标；

4、将该量化从一年拆分到每个季度，再从整个公司拆分到每个部门，每个部门拆分到每个经理，每个经理拆分到每个个人。

谷歌的做法，让每人都有自己的目标，每个人都有年度的考核，这些考核一定要是SMART的：

S：Specific，特定；

M：Measurable，可衡量的；

A：Achievable，可达到的；

R：Relevant，是相关的目标；

T：Time-bounded，是基于时间的。

就像麦特·戴蒙在《火星救援》里，设定愿景：我要活下来；计算自己活下来所需条件；计算需要种多少土豆......

最后原本还要写到费曼、还原论、蒙特卡洛模型的。但是觉得可能会太长，以及显得结构松散。

尽管我在写“孤独大脑”时，并不特别在意结构：

1、写作的目的部分是为了自我学习，所以把觉得对自己有用的东西先堆着；

2、对于好心如您的读者，能看一眼，有那么一两个故事或者观点有用即可，何必在串珠子的绳子上花太多时间？

3、反正这些文章将来若成书，还是要重新来过的。

本文谈及的几个关于“计算”的故事，都是在艰难的环境下发生的。主人公并非因为强大而能计算，而是因为用于计算而强大。

我还该加上Kalanick，并且概括出他成为英雄的要素：

1、伟大（而疯狂）构想：一键叫车；

2、计算：Kalanick对数学很着迷，在Uber这件事上，他看到数学能施加什么样的魔法：如果旧金山只有3辆车，那么用户要等20分钟；但在周末，如果有20辆车同时在跑，用户等的时间会缩短，与此同时，司机也会挣更多钱。“我开始意识到数学在其中的作用，并看到Uber如何规模化”；

3、战斗：Kalanick刚成为CEO，便遭到旧金山市政府控告，Uber高层将面临每一个订单5000美元的罚款和90天的牢狱。接下来的数年间，这些令常人崩溃的麻烦在全世界范围内连续不断，包括在广州被抄家。

写到这里，正好邮件里蹦出知乎网站邀请回答：

“如何克服对不确定性的焦虑？”

上面一大堆故事心得什么的，正好也是针对该问题的。

《Howtomeasureanything》里有很好的答案：

第一：定义需要决策的问题和相关的不确定因素；比如，我们面临的进退两难的困境是什么？然后定义所有和有关的变量，并确定一个大致的方向。

第二，确定你现在知道了什么；对于要做出决策的问题，是否对于数据有个确定的了解，并且知道这些数据究竟有多少不明确性。

第三，计算附加信息的价值；信息的价值在于它能减少我们决策的风险。

第四，将有关量化方法用于高价值的量化中；主要是一些简单的统计学方法和科学方法。

第五，做出决策并采取行动。做出决策，还要对决策者个人的决策特点进行一下量化，是决策达到最优化。

对于坚持看到最后的人，我想告诉你，如果将本文删得只剩下惟一一个词，那就是：

乐观。

火星，其英文名Mars，罗马神话中的战神，维纳斯的情人，为罗马军团所崇拜。

古汉语中，因其荧荧如火，位置、亮度时常变动让人无法捉摸而称之为荧惑，象征恶象。

一中一外，两种交织的隐喻。

在那个遥远的星球上，仿佛并非虚构的男主角说：

“我要用科学干出一条生路！”

“I'mgoingtosciencetheshitoutofthis.”